T.C. SÜLEYMAN DEMİREL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ

Transkript

1 T.C. SÜLEYMAN DEMİREL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BİR UÇAK KANADININ SAĞLADIĞI TOPLAM TAŞIMA DEĞERİNİN ORTAM VE UÇUŞ ŞARTLARINA BAĞLI OLARAK DEĞİŞİMİNİN YAPAY SİNİR AĞLARI METODU İLE PROGRAMLANMASI Ali UÇARLAR DANIŞMAN PROF. DR. Cahit KURBANOĞLU YÜKSEK LİSANS TEZİ MAKİNA MÜHENDİSLİĞİ ANABİLİM DALI ISPARTA, 2006

2 T.C. SÜLEYMAN DEMİREL ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ BİR UÇAK KANADININ SAĞLADIĞI TOPLAM TAŞIMA DEĞERİNİN ORTAM VE UÇUŞ ŞARTLARINA BAĞLI OLARAK DEĞİŞİMİNİN YAPAY SİNİR AĞLARI METODU İLE PROGRAMLANMASI ALİ UÇARLAR YÜKSEK LİSANS TEZİ MAKİNA MÜHENDİSLİĞİ ANABİLİM DALI ISPARTA, 2006

3 Fen Bilimleri Enstitüsü Müdürlüğüne Bu çalışma jürimiz tarafından MAKİNA MÜHENDİSLİĞİ DALI'nda YÜKSEK LİSANS TEZİ olarak kabul edilmiştir. Başkan : Prof. Dr. Remzi VAROL Üye : Prof. Dr. Cahit KURBANOĞLU Üye : Doç. Dr. Abdullah ÖZSOY ONAY Bu tez 21/07/2006 tarihinde yapılan tez savunma sınavı sonucunda, yukarıdaki jüri üyeleri tarafından kabul edilmiştir..../.../2006 Prof.Dr. Fatma GÖKTEPE İMZASI

4 i İÇİNDEKİLER Sayfa İÇİNDEKİLER... i ÖZET... iii ABSTRACT... iv TEŞEKKÜR...v SİMGELER (KISALTMALAR) DİZİNİ... vi ŞEKİLLER DİZİNİ... vii ÇİZELGELER DİZİNİ... ix 1. GİRİŞ Uçma Prensibi Rüzgar Tünelleri Yapay Sinir Ağları KAYNAK BİLGİSİ MATERYAL VE METOD Materyal YSA ile Sinir Sistemi nin Benzerlikleri YSA nın Özellikleri YSA nın Uygulama Alanları YSA Yapıları İleri Beslemeli Yapay Sinir Ağları (İBYSA): Geri Beslemeli Yapay Sinir Ağları (GBYSA) Bellek Hücreli YSA Yapıları (BHYSA) Radyal Tabanlı Fonksiyon Ağları ( RTFA) Fonksiyonel Link Ağları (FLA) Çağrışımlı Bellek Ağları (ÇBA) Modül Yapay Sinir Ağları (MYSA) Metod Rüzgar Tüneli DesignFOIL (R5.32) Programı ile Rüzgar Tünelinin Simülasyonu MATLAB 6.5 Programının Yapay Sinir Ağları Uygulaması Kanat Taşıma Değerinin Rüzgar Tüneli Testi ile Hesaplanması Rüzgar Deneyi Testinin Yapılması Test Sonuçları Kullanılarak Gerekli Hesaplamaların Yapılması DesignFOIL(R5.32) Programı ile Taşıma Değerinin Hesaplanması Deney Verilerinin Listelenmesi Yapay Sinir Ağları Yönetimi ile Modellemenin Yapılması İlgili yapay sinir ağı modelinin belirlenmesi Rüzgar Tüneli Testi ile Elde Edilen Verilerin Seçilen Yapay Sinir Ağları Metodunda Uygulanması...36

5 ii 4. BULGULAR Yapay Sinir Ağı Uygulaması ile Elde Edilen Ham Verilerin Rüzgar Testi Sonuçları ile Karşılaştırılması Yapay Sinir Ağı Uygulaması ile Elde Edilen Dönüştürülmüş Verilerin Rüzgar Testi Sonuçları ile Karşılaştırılması SONUÇ VE ÖNERİLER KAYNAKLAR EKLER...48 EK-1 Deney verilerinin listesi...48 EK-2 YSA için dönüştürülmüş deney verileri...55 EK-3 Öğretici Girdiler ve Çıktılar ÖZGEÇMİŞ...68

6 iii ÖZET BİR UÇAK KANADININ SAĞLADIĞI TOPLAM TAŞIMA DEĞERİNİN ORTAM VE UÇUŞ ŞARTLARINA BAĞLI OLARAK DEĞİŞİMİNİN YAPAY SİNİR AĞLARI METODU İLE PROGRAMLANMASI ALİ UÇARLAR Uçma, havadan ağır bir cismin havada belirli bir yükseklikte tutunabilmesi ve hava içinde hareket edebilmesidir. Bir uçak uçuş yaptığında havada tutunma işini kanatları, hareketini ise güç sistemleri sayesinde sağlar. Uçağın uçabilmesi için kendi ağırlığını karşılayacak kadar Taşıma kuvvetine; hareket edebilmesi ve oluşacak sürükleme kuvvetini karşılayabilmesi için Çekme kuvvetine ihtiyacı vardır. Bu çalışmada; NACA standardında bir uçak kanadı rüzgar tünelinde deneye tabi tutulmuştur. Bu deneyde toplam taşıma değerinin, Kanat Hücum Açısı ve Hava Hızı değişkenlerine bağlı olarak ölçümleri yapılmıştır. Elde edilen sonuçlar ileri beslemeli Yapay Sinir Ağları modeli oluşturularak değerlendirilmiştir. ANAHTAR KELİMELER : Yapay Sinir Ağları, Uçak Kanadı Taşıma Değeri

7 iv ABSTRACT PROGRAMMING OF THE TOTAL LIFT VALUE VARIATION ON AN AIRFOIL, DEPENDING ON FLIGHT ENVIRONMENT AND CONDITIONS, USING NEURAL NETWORK TOOL ALİ UÇARLAR Flying is the ability of endurance and movement of an object in the air. Aircraft has the lifting capability by the wings and the movement by the power plants. In order for an aircraft to fly, there should be a Lift force versus to aircraft weight and a Thrust force for moving in the air, versus the drug force arose from airframe. Lifting performance of a NACA standard airfoil was monitored in a wind tunnel test by measuring the lift results versus different angle of attack and airspeed values. A feed forward backpropagation type neural network model was constructed in which the obtained wind tunnel test results were evaluated. KEY WORDS: Neural Network, Airfoil Lifting

8 v TEŞEKKÜR Yazar, bu çalışmanın gerçekleşmesinde katkılarından dolayı, aşağıda adı geçen kişi ve kuruluşlara içtenlikle teşekkür eder. Sayın Prof. Dr. Cahit KURBANOĞLU, çalışmanın sonuca ulaştırılmasında ve karşılaşılan güçlüklerin aşılmasında yön gösterici olmuştur. Sayın Kenan TÜFEKCİ, Süleyman Demirel Üniversitesi Makine Mühendisliği A.B.D., Araştırma Görevlisi, çalışmanın akademik uygunluğu konusunda düzeltici uyarılarda bulunmuş ve destek vermiştir. Sayın Cem ÇETEK, Anadolu Üniversitesi Sivil Havacılık Yüksekokulu, Araştırma Görevlisi, Rüzgar Tüneli nde gerekli testlerin uygulanması aşamasında donanım olanaklarını kullanabilmemi sağlamışlardır.

9 vi SİMGELER (KISALTMALAR) DİZİNİ L : Taşıma (Lift) D : Sürükleme (Drag) C L C D W T : Taşıma Katsayısı (Coefficient of Lift) Sürükleme Katsayısı (Coefficient of Drag) : Ağırlık (Weight) : İtme (Trust) AOA : Hücum Açısı (α - Angle of Attack) V : Hava Hızı YSA : Yapay Sinir Ağları NACA : National Advisory Committe for Aeronautics P amb : Ortam Basıncı (mbar) T amb : Ortam Sıcaklığı ( C ) P static : (mmh 2 O) P total : (mmh 2 O) LE : Hücum Kenarı (Leading Edge) TE : Firar Kenarı (Trailing Edge) RPM : Devir (Revolutions per minute)

10 vii ŞEKİLLER DİZİNİ Sayfa Şekil 1.1. Uçuş sırasında uçağa etki eden kuvvetler... 1 Şekil 1.2. Bir kanat etrafından geçen havanın dağılımı... 2 Şekil 1.3. Hava Hızı ve Basınç Değişimi... 3 Şekil 1.4. Taşıma katsayısının hücum açısı ile değişimi... 4 Şekil 1.5. Hücum açısının taşıma kuvvetine etkisi... 4 Şekil 1.6. Kapalı devre rüzgar tüneli... 6 Şekil 1.7. Sinir sisteminin blok gösterimi... 7 Şekil 3.1. İleri beslemeli YSA yapısı Şekil 3.2. Geri beslemeli bir YSA yapısı Şekil 3.3. Bellek hücreli YSA yapısı Şekil 3.4. Radyal Tabanlı Fonksiyon Ağları Şekil 3.5 Fonksiyonel Link Ağları Şekil 3.6. Çağrışımlı Bellek Ağları Şekil 3.7. Modül Yapay Sinir Ağları Şekil 3.8 Rüzgar Tüneli Testinde Kullanılan NACA Profili Şekil 3.9. Ölçüm portlarında oluşan kuvvetler Şekil Rüzgar Tüneli Devrinin Ayarlanması Şekil Profilin Basınç Tüpü Çıkışları Şekil Basınç Değerinin Tüplerden okunması Şekil Portlardaki güç bileşenleri Şekil NACA profilinin seçimi Şekil Rüzgar tünelinin çalıştırılması Şekil Hava hızının seçilmesi Şekil Taşıma yüklemesi değerinin okunması Şekil Oluşturulan Yapay Sinir Ağı Görüntüsü Şekil Öğretici Girdi ve Çıktıların MATLAB a aktarıması Şekil YSA nın öğretici girdi ve çıktılarla eğitimi Şekil Öğrenme sürecinin grafiksel gösterimi Şekil Doğrulama girdilerinin uyarlanması... 40

11 viii Şekil 4.1. Rüzgar testi ve YSA ham sonuçlarının sapmaları Şekil 4.2. Rüzgar testi ve YSA sonuçlarının sapmaları... 44

12 ix ÇİZELGELER DİZİNİ Çizelge 1.1. Biyolojik Sinir Sistemi ile YSA sisteminin elemanları... 8 Çizelge 3.1. Ölçüm portlarının kanat üzerinde dağılımı Çizelge 3.2. Rüzgar tüneli ölçüm sonuçları Çizelge 3.3. Rüzgar tüneli ölçüm sonuçları (Pa) Çizelge 3.4. Ölçüm noktalarının geometrik verileri ve hesaplanan F y değerleri Çizelge 3.5. Ölçüm noktalarının geometrik verileri ve hesaplanan F x değerleri Çizelge 3.6. Hesaplanan taşıma değerleri Çizelge 3.7. Doğrulama Girdileri Çizelge 4.1. Rüzgar testi ve YSA ham sonuçlarının karşılaştırılması Çizelge 4.2. Rüzgar testi ve YSA sonuçlarının karşılaştırılması Sayfa

13 1 1. GİRİŞ Uçma, havadan ağır bir cismin havada belirli bir yükseklikte tutunabilmesi ve hava içinde hareket edebilmesidir. Bir uçak uçuş yaptığında havada tutunma işini kanatları, hareketini ise güç sistemleri sayesinde sağlar. Uçağın uçabilmesi için kendi ağırlığını karşılayacak kadar Taşıma kuvvetine; hareket edebilmesi ve oluşacak sürükleme kuvvetini karşılayabilmesi için Çekme kuvvetine ihtiyacı vardır 1.1. Uçma Prensibi Uçuş sırasında uçak, dört kuvvetin etkisi altındadır. Bu kuvvetler; Taşıma (A), Çekme (B), Ağırlık (C), Sürükleme (D) den meydana gelmektedir (Şekil 1.1.). Şekil.1.1. Uçuş sırasında uçağa etki eden kuvvetler ( Bir uçakta tutunma kanat, hareket ise güç sistemleri sayesinde sağlanmaktadır. Bir uçağın uçabilmesi için kendi ağırlığını karşılayacak kadar Taşıma kuvveti mydana getirmesi gerekmektedir. Aynı zamanda havanın içinde hareket etmesini sağlayacak ve bu hareketten kaynaklanan Sürükleme kuvvetini karşılayacak Çekme kuvveti üretilmektedir. Yeterince taşıma kuvveti tutunmayı, yeterince çekme kuvveti de hava içindeki hareketi sağlamaktadır. Taşıma kuvvetini üretebilmek için kanatlara ve ileri doğru harekete ihtiyaç vardır. Taşıma kuvvetinin oluşması, kanatların yapısı ile doğrudan bağlantılıdır.

14 2 Bir kanadın üst yüzeyine, alt yüzeyine göre daha değişken eğimli bir şekil verilmektedir. Kanadın alt yüzeyi hemen hemen düz bir şekildedir. Bu şekilde biçimlendirilmiş bir kanat hava içinde hareket ettirildiğinde, üst yüzeyinden geçen hava (A) alt yüzeyinden geçen havaya göre (B) daha hızlı hareket etmektedir. Hava hızlandığı zaman basıncı azalır. Bu durumda kanadın üst yüzeyinde alçak basınç (C) alt yüzeyinde ise, yüksek basınç oluşur (E). Bu basınç farkı kanadın yukarı doğru çekilmesini sağlamaktadır. Yani taşıma kuvveti (D) elde edilir (Şekil 1.2.). Bu taşıma kuvvetinin büyüklüğü çeşitli faktörlere bağlıdır. Bunlar; kanadın şekli ve büyüklüğü, hücum açısı (kanadın havayı karşılama açısı), kanadın hava içindeki hızı ve havanın yoğunluğudur (Gerede, 2005). Şekil 1.2. Bir kanat etrafından geçen havanın dağılımı ( Şekil 1.3 te görülen fizik kuralında geniş bölgeden dar bölgeye giren havanın hızı artarken basıncı düşmektedir. Kanatta bu durum uyguladığında üst yüzeyden ve alt yüzeyden geçen hava aynı zamanda arkada birleşmektedir. Bu durumda üstten geçen havanın hızı daha fazla basıncı daha az olur. Alttan geçen havanın basıncı fazla olduğundan kanat havada kalmaktadır (

15 3. Şekil 1.3. Hava Hızı ve Basınç Değişimi Herhangi bir profil akım içine yerleştirilecek olursa eğer simetrik bir profil değilse hücum açısı 0 dahi olsa bir (+) taşıma katsayısına sahiptir. Yani akım içine yerleştirilen tüm cisimlerde olduğu gibi sıfır hücum açısında, profil üzerine mutlaka bir aerodinamik hava direnci etkisi olup bunun taşıma ve sürükleme bileşenleri de (+) olmaktadır. Hücum açısı arttırıldığında belli bir değere kadar hücum açısı artışı ile taşıma katsayısı artışı lineer değişmektedir. Profil tipine göre (20, 22 ) belli bir açıdan sonra lineerlik kalkar ve dengesiz bir değişim başlar; yani taşıma katsayısı düzgün olmayan bir şekilde azalır. (-) hücum açılarında belli bir açıya kadar (+) taşıma katsayısı görülür değişim yine lineerdir. Öyle bir açı vardır ki profil bu açıda akım içine yerleştirildiğinde üzerinde oluşan aerodinamik hava direncinin taşıma bileşeni sıfır olmaktadır. Yani taşıma katsayısı sıfır değerine iner. Bu açıya sıfır taşıma hücum açısı denmektedir. Bundan daha düşük (-) hücum açılarında taşıma katsayısı, hücum açısı azalışıyla lineer değişerek azalmaktadır. Belli bir negatif hücum açısından sonra lineerlik bozulmakta, azalma durmaktadır (Şekil 1.4). ( 2006)

16 4 Şekil 1.4. Taşıma katsayısının hücum açısı ile değişimi(acar, 2006) Taşıma kuvvetinin tam olarak oluşması, kanat hücum açısının (α) değiştirilmesi ile mümkün olmaktadır. Kanat hücum açısı arttırıldığında, taşıma kuvveti (L) ile hava sürati ve geri sürükleyici kuvvetlerde (D) de değişiklik meydana gelmektedir (Şekil 1.5.). Hücum açısına ilave olarak kanat alanı, hava yoğunluğu ve hız da önemli birer etkendir. Şekil 1.5. te gösterilen Fx ve Fy kuvvetlerinin bileşimi sonucunda oluşan Fα kuvveti o α hücum açısında elde edilen taşıma ve sürükleme nin bileşenini vermektedir. Şekil 1.5. Hücum açısının taşıma kuvvetine etkisi (Cavcar, 2003) 1.2. Rüzgar Tünelleri Geleneksel rüzgar tüneli deneyleri taşıma, sürükleme, basınç gibi cisimlere etki eden büyüklüklerin incelenmesinde olanak sağlamaktadır.

17 5 Bir uçağın aerodinamik özelliklerini denemenin en iyi yolu rüzgar tüneli uygulamalarıdır. Bu tünellerde düzgün bir gaz veya hava karışımı sağlanmaktadır. Bu amaçla gerekli hızlara göre değişik sistemler kullanılmaktadır. Hava, rüzgar tünelinde uçağın küçük ölçekli modeli ya da bir kanadı üzerinde yol almaktadır ve havanın oluşturduğu etki gözlemlenmektedir. Elde edilen sonuçlar bilgisayar kullanılarak değerlendirilmektedir (Özdemir ve Onbaşıoğlu, 2004). Rüzgar tünelleri aerodinamik optimizasyon ve bir çok farklı testlerin yapılması amacıyla kullanılmaktadır. Tüneller özellikle normal ortamdaki hava şartlarını ve hava akış hızlarını simule edebilecek şekilde tasarlanmaktadırlar. Tasarım gerçekleştirilirken düzensiz şekildeki komponentlerden (üniform olmayan bileşenlerden) özellikle kaçınılmaktadır. Çünkü hava akışındaki herhangi bir ufak farklılık, test objesinin davranış biçimlerini değiştirmekte ve bunun sonucu olarak, test sırasında alınan verilerin değerleri değişmektedir. Aerodinamistin elindeki en önemli veriler de bu veriler olduğundan, yanlış olabilecek veriler de araç tasarımı üzerinde yanlış kararlar verilmesine neden olabilmektedir. Tünel tasarımları incelendiğinde, ana olarak iki tip rüzgar tüneli tasarımı karşımıza çıkmaktadır. Bu tiplerden birincisi; Açık Devreli Rüzgar Tüneli modelidir. Bu modelde tünel, atmosfere açılan bir hava girişine sahiptir. Bu tip bir tünel inşa etmenin en iyi yolu, atmosfere açılan hava girişine bir fanın monte edildiği ve fanın havayı sistemin içerisine üflediği bir vantilasyon sistemi kurmaktır. Ancak bu tip tünellerde, girişteki hava girdabı olası bir problemdir. Bu nedenle açık devreli fanlı rüzgar tünelleri, emmeli tip rüzgar tünellerine göre daha az hassastırlar. Fandan çıkan akım türbülanslıdır ve uniform değildir. İkinci tip rüzgar tüneli ise; Kapalı Devreli Rüzgar Tünel idir. Bu tip tüneller aynı zamanda kapalı geri dönüşlü tüneller olarak da adlandırılmaktadır. Bu tip tünellerde ise Şekil 1.6 da gösterilen aksiyal fanlar kullanılmaktadır (Özener, 2006).

18 6 Şekil 1.6. Kapalı devre rüzgar tüneli 1.3. Yapay Sinir Ağları Yapay Sinir Ağları (YSA), beynin bir işlevi yerine getirme yöntemini modellemek için tasarlanan bir sistem olarak tanımlanabilir. YSA, yapay sinir hücrelerinin birbirleri ile çeşitli şekillerde bağlanmasından oluşur ve genellikle katmanlar şeklinde düzenlenmektedir. Donanım olarak elektronik devrelerle yada bilgisayarlarda yazılım olarak gerçeklenebilir. Beynin bilgi işleme yöntemine uygun olarak YSA, bir öğrenme sürecinden sonra bilgiyi toplama, hücreler arasındaki bağlantı ağırlıkları ile bu bilgiyi saklama ve genelleme yeteneğine sahip paralel dağılmış bir işlemcidir ( Öğrenme süreci, arzu edilen amaca ulaşmak için YSA ağırlıklarının yenilenmesini sağlayan öğrenme algoritmalarını ihtiva etmektedir (Kaya ve Engin, 2003). Biyolojik sinir sistemi, merkezinde sürekli olarak bilgiyi alan, yorumlayan ve uygun bir karar üreten beynin (merkezi sinir ağı) bulunduğu 3 katmanlı bir sistem olarak açıklanmaktadır. Alıcı sinirler (receptor) organizma içerisinden ya da dış ortamlardan algıladıkları uyarıları, beyine bilgi ileten elektriksel sinyallere dönüştürmekte, tepki sinirleri (effector) ise, beyinin ürettiği elektriksel darbeleri organizma çıktısı olarak

19 7 uygun tepkilere dönüştürmektedir. Şekil 1.7 de bir sinir sisteminin blok gösterimi verilmiştir. Şekil 1.7. Sinir sisteminin blok gösterimi Merkezi sinir ağında bilgiler, alıcı ve tepki sinirleri arasında ileri ve geri besleme yönünde değerlendirilerek uygun tepkiler üretilmektedir. Bu yönüyle biyolojik sinir sistemi, kapalı çevrim denetim sisteminin karakteristiklerini taşımaktadır. Merkezi sinir sisteminin temel işlem elemanı, sinir hücresidir (nöron) ve insan beyninde yaklaşık 10 milyar sinir hücresi olduğu tahmin edilmektedir. Sinir hücresi; hücre gövdesi, dendriteler ve axonlar olmak üzere 3 bileşenden meydana gelmektedir. Dendriteler, diğer hücrelerden aldığı bilgileri hücre gövdesine bir ağaç yapısı şeklinde ince yollarla iletir. Axonlar ise elektriksel darbeler şeklindeki bilgiyi hücreden dışarı taşıyan daha uzun bir yoldur. Axonların bitimi, ince yollara ayrılabilir ve bu yollar, diğer hücreler için dendriteleri oluşturur. Axon-dendrite bağlantı elemanı synapse olarak tanımlanır (Çizelge 1.1). İnsan beyninin 10 milyar sinir hücresinden ve 60 trilyon synapse bağlantısından oluştuğu düşünülürse son derece karmaşık ve etkin bir yapı olduğu anlaşılmaktadır. Diğer taraftan bir sinir hücresinin tepki hızı, günümüz bilgisayarlarına göre oldukça yavaş olmakla birlikte duyusal bilgileri son derecede hızlı değerlendirebilmektedir. Bu nedenle insan beyni; öğrenme, birleştirme, uyarlama ve genelleştirme yeteneği nedeniyle son derece karmaşık, doğrusal olmayan ve paralel dağılmış bir bilgi işleme sistemi olarak tanımlanabilmektedir (Yüce, 2005).

20 8 Çizelge 1.1. Biyolojik Sinir sistemi ile YSA sisteminin elemanları SİNİR SİSTEMİ Neuron Dendrit Hücre gövdesi Axonlar Synapslar YSA SİSTEMİ İşlem elemanı Toplama fonksiyonu Transfer fonksiyonu Eleman çıkışı Ağırlıklar

21 9 2. KAYNAK BİLGİSİ 1942 yılı YSA'nın gelişiminin başlangıç yılı olarak kabul edilmektedir.bu tarihte McCulloch ve Pitts, ilk hücre modelini geliştirmişlerdir. Bunun yanında birkaç hücrenin ara bağlaşımını incelemiştir. Hebb, 1949 yılında hücre bağlantılarını ayarlamak için ilk öğrenme kuralını önermiştir (Yalçın vd., 2001). 1958'de Rosenblatt, algılayıcı (perceptron) modelini ve öğrenme kuralını geliştirerek, bugün kullanılan kuralların temelini koymuştur yılında, Widrow ve Hoff tarafından ADALINE'lar ve LMS kuralı geliştirmiştir yılında, Minsky ve Papert, algılayıcının kesin analizini yapmış ve algılayıcının karmaşık lojik fonksiyonlar için kullanılamayacağını ispatlamışlardır. Bunun üzerine, yapay sinir ağları üzerine yapılan çalışmalar hemen hemen durma noktasına gelmiştir yılının ortalarından, 1980 yılının başına kadar bir durgunluk dönemi yaşanmıştır. Çalışmaları büyük ölçüde azaltan bu durgunluğun en önemli faktörlerinden birisi, YSA'nın bilgi işlemede alternatifi olan günümüzün sayısal bilgisayarlarının, yarı iletken teknolojisi ile yoğun, büyük çapta ucuz ve güvenilir gerçeklenme imkanını bulmasıdır. Seri olarak çalışan hızlı birimlerden oluşmuş sayısal bilgisayarlar, aritmetik işlemlerde yüksek hız, kapasite ve güvenirlik sağlamışlardır yılında Hopfield, YSA'nın birçok problemi çözebilecek kabiliyeti olduğunu göstermiştir. Optimizasyon gibi teknik problemleri çözmek için doğrusal olmayan Hopfield ağını geliştirmiştir yılında Kohonen öz düzenlemeli haritayı (self-organizing map) tanımlamış, kendi adıyla anılan eğiticisiz öğrenen bir ağ geliştirmiştir.

22 yılında Rumelhart geriye yayılımı tekrar meydana çıkartmıştır yılında ise Chua ve Yang hücresel sinir ağlarını geliştirmişlerdir (Yurtoğlu, 2005) Yılında Charles Jorgensen ve James Ross bir cismin etrafından geçen hava akımının yapay sinir ağları kullanılarak modellenmesi ile rüzgar tüneli testinin süresinin düşürülmesi üzerine çalışmıştır (Jorgensen ve Ross., 1999) yılında Suresh, S. N. Omkar, V. Mani and T. N. Guru Prakash tarafından yüksek hücum açılarında tekrarlanan sinir ağı kullanılarak taşıma katsayısı değerinin önceden tahmin edilmesi üzerinde çalışılmıştır (Suresh vd., 2003) yılında Michelle J Allen ve Ryan P. Dihley NASA da Uçuş verileri kullanılarak uçak kanadı yüklemelerinin yapay sinir ağları ile modellemesini yapmıştır (Allen ve Dibley, 2003) yılında Mohan Rai ve Nateri K. Madavan yapay sinir ağları kullanarak uçak parçalarının aerodinamik tasarımı yapılması üzerine çalışmıştır ( yılında Virjinya eyalet Üniversitesi nden Zhicun Wang tarafından 3 boyutlu konfigurasyonlarda aerodinamik güçlerin kontrolü yapay sinir ağları kullanılarak simüle edilmiştir ( yılında Charles Jorgensen tarafından, bir uçağın rüzgar tüneli verilerinden seçilen aerodinamik karakterleri öğrenerek lineer geri besleme kontrolü nde kullanılmasını sağlayacak bir yapay sinir ağları programı üzerinde çalışmıştır (Jorgensen, 2006).

23 11 3. MATERYAL VE METOD 3.1. Materyal Bu çalışmada kullanılacak verilerin pratik uygulamada nasıl elde edildiğinin gösterilmesi maksadıyla Anadolu Üniversitesi Sivil Havacılık Yüksekokulu nda bulunan Kapalı Devreli Rüzgar Tüneli kullanılmıştır. Rüzgar tüneli test sonuçlarının benzer şartlar altında modellenerek çoğaltılması için DesignFOIL (R5.32) programı kullanılmıştır. Elde edilen sonuçlar ile YSA çalışmasının yapılması için MATLAB 6.5 programı kullanılmıştır YSA ile Sinir Sistemi nin Benzerlikleri Beynin üstün özellikleri, bilim adamlarını üzerinde çalışmaya zorlamış ve beynin nörofiziksel yapısından esinlenerek matematiksel modeli çıkarılmaya çalışılmıştır. Beynin bütün davranışlarını tam olarak modelleyebilmek için fiziksel bileşenlerinin doğru olarak modellenmesi gerektiği düşüncesi ile çeşitli yapay hücre ve ağ modelleri geliştirilmiştir. Böylece Yapay Sinir Ağları denen yeni ve günümüz bilgisayarlarının algoritmik hesaplama yönteminden farklı bir bilim alanı ortaya çıkmıştır. Yapay sinir ağları; yapısı, bilgi işleme yöntemindeki farklılık ve uygulama alanları nedeniyle çeşitli bilim dallarının da kapsam alanına girmektedir (Kalkan, 2004). Genel anlamda YSA, beynin bir işlevi yerine getirme yöntemini modellemek için tasarlanan bir sistem olarak tanımlanabilmektedir. YSA, yapay sinir hücrelerinin birbirleri ile çeşitli şekillerde bağlanmasından oluşur ve genellikle katmanlar şeklinde düzenlenmektedir. Donanım olarak elektronik devrelerle ya da bilgisayarlarda yazılım olarak gerçeklenebilir. Beynin bilgi işleme yöntemine uygun olarak YSA, bir öğrenme sürecinden sonra bilgiyi toplama, hücreler arasındaki bağlantı ağırlıkları ile bu bilgiyi saklama ve genelleme yeteneğine sahip paralel dağılmış bir işlemcidir. Öğrenme süreci, arzu edilen amaca ulaşmak için YSA ağırlıklarının yenilenmesini sağlayan öğrenme algoritmalarını ihtiva etmektedir (

24 YSA nın Özellikleri YSA nın hesaplama ve bilgi işleme gücünü, paralel dağılmış yapısından, öğrenebilme ve genelleme yeteneğinden aldığı söylenebilir. Genelleme, eğitim ya da öğrenme sürecinde karşılaşılmayan girişler için de YSA nın uygun tepkileri üretmesi olarak tanımlanmaktadır. Bu üstün özellikleri, YSA nın karmaşık problemleri çözebilme yeteneğini gösterir. Günümüzde birçok bilim alanında YSA, aşağıdaki özellikleri nedeniyle etkin olmuş ve uygulama yeri bulmuştur Doğrusal Olmama: YSA nın temel işlem elemanı olan hücre doğrusal değildir. Dolayısıyla hücrelerin birleşmesinden meydana gelen YSA da doğrusal değildir ve bu özellik bütün ağa yayılmış durumdadır. Bu özelliği ile YSA, doğrusal olmayan karmaşık problemlerin çözümünde en önemli araç olmuştur. Öğrenme: YSA nın arzu edilen davranışı gösterebilmesi için amaca uygun olarak ayarlanması gerekmektedir. Bu, hücreler arasında doğru bağlantıların yapılması ve bağlantıların uygun ağırlıklara sahip olması gerektiğini ifade etmektedir. YSA nın karmaşık yapısı nedeniyle bağlantılar ve ağırlıklar önceden ayarlı olarak verilemez yada tasarlanamaz. Bu nedenle YSA, istenen davranışı gösterecek şekilde ilgilendiği problemden aldığı eğitim örneklerini kullanarak problemi öğrenmelidir. Genelleme: YSA, ilgilendiği problemi öğrendikten sonra eğitim sırasında karşılaşmadığı test örnekleri için de arzu edilen tepkiyi üretebilir. Örneğin, karakter tanıma amacıyla eğitilmiş bir YSA, bozuk karakter girişlerinde de doğru karakterleri verebilir ya da bir sistemin eğitilmiş YSA modeli, eğitim sürecinde verilmeyen giriş sinyalleri için de sistemle aynı davranışı gösterebilir. Uyarlanabilirlik: YSA, ilgilendiği problemdeki değişikliklere göre ağırlıklarını ayarlamaktadır. Yani, belirli bir problemi çözmek amacıyla eğitilen YSA, problemdeki değişimlere göre tekrar eğitilebilmekte, değişimler devamlı ise gerçek zamanda da eğitime devam edilebilmektedir. Bu özelliği ile YSA, uyarlamalı örnek

25 13 tanıma, sinyal işleme, sistem tanılama ve denetim gibi alanlarda etkin olarak kullanılmaktadır. Hata Toleransı: YSA, çok sayıda hücrenin çeşitli şekillerde bağlanmasından oluştuğundan paralel dağılmış bir yapıya sahiptir ve ağın sahip olduğu bilgi, ağdaki bütün bağlantılar üzerine dağılmış durumdadır. Bu nedenle, eğitilmiş bir YSA nın bazı bağlantılarının hatta bazı hücrelerinin etkisiz hale gelmesi, ağın doğru bilgi üretmesini önemli ölçüde etkilemez. Bu nedenle, geleneksel yöntemlere göre hatayı tolere etme yetenekleri son derece yüksektir. Donanım ve Hız: YSA, paralel yapısı nedeniyle büyük ölçekli entegre devre (VLSI) teknolojisi ile gerçeklenebilmektedir. Bu özellik, YSA nın hızlı bilgi işleme yeteneğini artırır ve gerçek zamanlı uygulamalarda arzu edilir. Analiz ve Tasarım Kolaylığı: YSA nın temel işlem elemanı olan hücrenin yapısı ve modeli, bütün YSA yapılarında yaklaşık aynıdır. Dolayısıyla, YSA nın farklı uygulama alanlarındaki yapıları da standart yapıdaki bu hücrelerden oluşmaktadır. Bu nedenle, farklı uygulama alanlarında kullanılan YSA ları, benzer öğrenme algoritmalarını ve teorilerini paylaşabilmektedirler. Bu özellik, problemlerin YSA ile çözümünde önemli bir kolaylık getirmektedir (Ergezer vd., 2003) YSA nın Uygulama Alanları Arıza Analizi ve Tespiti: Bir sistemin, cihazın ya da elemanın düzenli (doğru) çalışma şeklini öğrenen bir YSA yardımıyla, bu sistemlerde meydana gelebilecek arızaların tanımlanma olanağı vardır. Bu amaçla YSA; elektrik makinelerinin, uçakların yada bileşenlerinin, entegre devrelerin v.s. arıza analizinde kullanılabilmektedir. Tıp Alanında: EEG ve ECG gibi tıbbi sinyallerin analizi, kanserli hücrelerin analizi, protez tasarımı, transplantasyon zamanlarının optimizasyonu ve hastanelerde giderlerin optimizasyonu v.s gibi uygulama yeri bulmaktadır.

26 14 Savunma Sanayi: Silahların otomasyonu ve hedef izleme, nesneleri/görüntüleri ayırma ve tanıma, yeni algılayıcı tasarımı ve gürültü önleme v.s gibi alanlara uygulanmaktadır. Haberleşme: Görüntü ve veri sıkıştırma, otomatik bilgi sunma servisleri, konuşmaların gerçek zamanda çevirisi v.s gibi alanlarda uygulanmaktadır. Üretim: Üretim sistemlerinin optimizasyonu, ürün analizi ve tasarımı, ürünlerin (entegre, kağıt, kaynak v.s.) kalite analizi ve kontrolü, planlama ve yönetim analizi v.s. alanlarına uygulanmaktadır. Otomasyon ve Kontrol: Uçaklarda otomatik pilot sistemi otomasyonu, ulaşım araçlarında otomatik yol bulma/gösterme, robot sistemlerin kontrolü, doğrusal olmayan sistem modelleme ve kontrolü, elektrikli sürücü sistemlerin kontrolü v.s. gibi yaygın bir uygulama yeri bulmaktadır (Çobanoğlu, 2002) YSA Yapıları Yapay sinir ağları, hücrelerin birbirleri ile çeşitli şekillerde bağlanmalarından oluşmaktadır. Hücre çıkışları, ağırlıklar üzerinden diğer hücrelere ya da kendisine giriş olarak bağlanabilmekte ve bağlantılarda gecikme birimi de kullanılabilmektedir. Hücrelerin bağlantı şekillerine, öğrenme kurallarına ve aktivasyon fonksiyonlarına göre çeşitli YSA yapıları geliştirilmiştir. Çeşitli problemlerin çözümünde kullanılan ve kabul görmüş bazı YSA yapıları genel özellikleri ile şunlardır İleri Beslemeli Yapay Sinir Ağları (İBYSA): İleri beslemeli YSA da, hücreler katmanlar şeklinde düzenlenir ve bir katmandaki hücrelerin çıkışları bir sonraki katmana ağırlıklar üzerinden giriş olarak verilmektedir. Giriş katmanı, dış ortamlardan aldığı bilgileri hiçbir değişikliğe uğratmadan orta (gizli) katmandaki hücrelere iletmektedir. Bilgi, orta ve çıkış

27 15 katmanında işlenerek ağ çıkışı belirlenmektedir. Bu yapısı ile ileri beslemeli ağlar doğrusal olmayan statik bir işlevi gerçekleştirir. İleri beslemeli 3 katmanlı YSA nın, orta katmanında yeterli sayıda hücre olmak kaydıyla, herhangi bir sürekli fonksiyonu istenilen doğrulukta yaklaştırabileceği gösterilmiştir. En çok bilinen geriye yayılım öğrenme algoritması, bu tip YSA ların eğitiminde etkin olarak kullanılmakta ve bazen bu ağlara geriye yayılım ağları da denmektedir. Şekil 3.1 de giriş, orta ve çıkış katmanı olmak üzere 3 katmanlı ileri beslemeli YSA yapısı verilmektedir. Şekil 3.1. İleri beslemeli YSA yapısı Geri Beslemeli Yapay Sinir Ağları (GBYSA) Geri beslemeli YSA da, en az bir hücrenin çıkışı kendisine ya da diğer hücrelere giriş olarak verilmekte ve genellikle geri besleme bir geciktirme elemanı üzerinden yapılmaktadır. Geri besleme, bir katmandaki hücreler arasında olduğu gibi katmanlar arasındaki hücreler arasında da olabilir. Bu yapısı ile geri beslemeli YSA, doğrusal olmayan dinamik bir davranış göstermektedir. Dolayısıyla, geri beslemenin yapılış şekline göre farklı yapıda ve davranışta geri beslemeli YSA yapıları elde edilebilmektedir. Şekil 3.2 de iki katmanlı ve çıkışlarından giriş katmanına geri beslemeli bir YSA yapısı görülmektedir.

28 16 Şekil 3.2. Geri beslemeli bir YSA yapısı Bellek Hücreli YSA Yapıları (BHYSA) Doğrusal olmayan sistemlerin tanılanması ve denetiminde, katmanlı YSA yapıları etkin olarak kullanılmaktadır. YSA ile sistem tanılamada, doğru model yapısının seçilebilmesi ve model girişlerinin belirlenebilmesi için sistemin giriş ve çıkışının gecikme derecelerinin bilinmesi gerekmektedir. Sistemin derecesinin doğru belirlenememesi, modelde temsil edilemeyen dinamikler nedeniyle kararlı ve değişen dinamik şartlarda doğru bir model elde edilmesini etkilemektedir. Bu nedenle, geri beslemeli YSA yapıları kullanılarak sistemin derecesine ihtiyaç duymayan tanı modelleri geliştirilmiştir. Şekil 3.3. de Bellek Hücreli Yapay Sinir Ağları (BHYSA) olarak tanımlanan ve ağdaki her bir hücre için bir bellek hücresinin kullanıldığı katmanlı-geri beslemeli bir ağ yapısı verilmektedir. Şekil 3.3. Bellek hücreli YSA yapısı

29 Radyal Tabanlı Fonksiyon Ağları ( RTFA) Katmanlı YSA nın tasarımında eğiticili geriye yayılım öğrenme algoritması bir en iyileme uygulamasıdır. Radyal tabanlı fonksiyon ağı tasarımı ise çok boyutlu uzayda eğri uydurma yaklaşımıdır ve bu nedenle RTFA nın eğitimi, çok boyutlu uzayda eğitim verilerine en uygun bir yüzeyi bulma problemine dönüşmektedir. RTFA nın genellemesi ise test verilerini interpole etmek amacıyla, eğitim sırasında bulunan çok boyutlu yüzeyin kullanılmasına eşdeğerdir. Radyal tabanlı fonksiyonlar, sayısal analizde çok değişkenli interpolasyon problemlerinin çözümünde kullanılmış ve YSA nın gelişmesi ile birlikte bu fonksiyonlardan YSA tasarımında yararlanılmıştır. RTFA, ileri beslemeli YSA yapılarına benzer şekilde giriş, orta ve çıkış katmanından oluşur ancak, giriş katmanından orta katmana dönüşüm, radyal tabanlı aktivasyon fonksiyonları ile doğrusal olmayan sabit bir dönüşümdür. Orta katmandan çıkış katmanına ise uyarlamalı ve doğrusal bir dönüşüm gerçekleştirilmektedir (Şekil 3.4). Şekil 3.4. Radyal Tabanlı Fonksiyon Ağları Fonksiyonel Link Ağları (FLA) Katmanlı YSA, orta katmandaki doğrusal olmayan aktivasyon fonksiyonları nedeniyle doğrusal olmayan öğrenme algoritmaları ile eğitilmelidir. Bu durum, öğrenme hızını yavaşlatır ve fonksiyon yaklaşımında yöresel en aza ulaşılabilir. Bu sorunlar, ağ girişlerini önce doğrusal olmayan bir dönüşümle genişlettikten sonra

30 18 doğrusal çıkış katmanlı ağ yapıları ile giderilebilmektedir. Şekil 3.5 de verilen ve Fonksiyonel Link Ağları (FLA) olarak bilinen ağlar iyi bir fonksiyon yaklaştırma performansına sahiptir. Bu yönüyle FL ağları, merkezleri ve genişliği sabit tutulan RTFA na benzemektedir. Ancak, FLA da orta katmanın görevi ve aktivasyon fonksiyonları farklıdır. Şekil 3.5. Fonksiyonel Link Ağları Çağrışımlı Bellek Ağları (ÇBA) Çağrışımlı sistemler, belirli giriş vektörlerini belirli çıkış vektörlerine dönüştüren ya da ilişkilendiren sistemler olarak tanımlanmaktadır. Dolayısıyla çağrışımlı bellek ağları, eğitim sürecinde ağa verilen eğitim örneklerini ağırlıkları aracılığı ile saklar ya da ezberler ve hatırlama ya da genelleme sürecinde ise saklanmış örneklerin gürültülü versiyonları da ağa verilmiş olsa doğru örnekleri verebilmektedir. Bu yönü ile ÇBA ları kodlayıcılar ve kod çözücülere benzer işlevleri yerine getirmektedirler ve beynin yapısal karakteristikleri yerine işlevsel özelliklerini benzeştiren ağ yapısı olarak tanımlanablirler. ÇBA ları genellikle örüntü tanıma ve eldeki eksik verilerden, doğru verileri ortaya çıkarma gibi uygulamalarda yaygın olarak kullanılmaktadır (Şekil 3.6). Şekil 3.6. Çağrışımlı Bellek Ağları

31 Modül Yapay Sinir Ağları (MYSA) Modül YSA ları, çok sayıda YSA yapısının birleşiminden oluşmaktadır. Eğer, bir ağın yapması gereken işlemler birbirleriyle de haberleşmeksizin iki ya da daha fazla modüle (alt yapıya) ayrılabiliyorsa bu ağlar modül YSA ları olarak tanımlalanabilir (Şekil 3.7) (Çobanoğlu, 2002). Şekil 3.7. Modül Yapay Sinir Ağları

32 Metod Rüzgar Tüneli Bir kanat rüzgar tüneline yerleştirilerek farklı hızlarda ve farklı hücum açıları altında uygulanan testlerde, kanat üzerindeki farklı noktalara yerleştirilen portlardan elde edilen basınç değerleri, deney hızı ve kanat açısı değerleri kullanılarak, her bir açı ve hız değeri için farklı Taşıma değerleri elde edilir. Rüzgar tüneli testinde kullanılacak NACA kanat profili (Şekil 3.8) üzerinden geçen hava akımının oluşturacağı basınç kuvvetini belirlenen portlardan ölçebilecek şekilde özel olarak imal edilmiştir. 11 adet kanat üst yüzeyinde, 9 adet kanat alt yüzeyinde olmak üzere toplan 20 adet port mevcuttur. Bu profilin üzerinde yer alan portların dağılımı Çizelge 3.6 da ve bu noktalarda oluşan kuvvetler Şekil 3.9 da gösterilmiştir. Şekil 3.8. Rüzgar Tüneli Testinde Kullanılan NACA Profili Kullanılan NACA profilinin veter uzunluğu, yani kanat hücum kenarının en uç noktasından kanat firar kenarının en uç noktasına olan dik uzaklık 1000 mm. dir.

33 21 Çizelge 3.1. Ölçüm portlarının kanat üzerinde dağılımı Üst Yüzey (Hücum kenarına göre uzaklık) No x/c Alt Yüzey (Hücum kenarına göre uzaklık) No x/c Şekil 3.9. Ölçüm portlarında oluşan kuvvetler (Cavcar, 2006) DesignFOIL (R5.32) Programı ile Rüzgar Tünelinin Simülasyonu Yapay Sinir Ağları uygulamalarında deney girdilerinin fazla olması, çalışmanın hassasiyetini de artıracaktır. Bu çalışmada 210 farklı hız ve açıda deney sonuçları kullanılmıştır. Bu nedenle Anadolu Üniversitesi Sivil Havacılık Yüksekokulu Rüzgar tüneli test sonuçları benzer şartlar altında bir kanat tasarım ve test programı olan DesignFOIL (R5.32) ile çoklanmıştır.

34 MATLAB 6.5 Programının Yapay Sinir Ağları Uygulaması NACA profilindeki taşıma değerinin, diğer değişkenler sabit tutularak, kanadın Hücum Açısı (α - Angle of Attack) ve Hava Hızı (V) değişkenlerine bağlı olarak değişimi, Anadolu Üniversitesi Sivil Havacılık Yüksek Okulu rüzgar tüneli kullanılarak gerçekleştirilen Rüzgar Tüneli deneyinde hesaplanarak, benzer şartlar simule edilerek deney sonuçları DesignFOIL (R5.32) programı ile çoğaltılmış ve elde edilen deney sonuçlarını doğrulayacak bir Yapay Sinir Ağları modeli, MATLAB 6,5 programının Neural Networks aracı ile modellenmiştir Kanat Taşıma Değerinin Rüzgar Tüneli Testi ile Hesaplanması Rüzgar tüneli test hücresine NACA profilindeki kanat yerleştirilerek deney başlatılarak rüzgar tüneli testi şağıda anlatıldığı şekilde gerçekleştirilir Rüzgar Deneyi Testinin Yapılması Deney profili. test hücresine tutacaklar vasıtasıyla yerleştirilir. Rüzgar tüneli çalıştırılır ve istenilen hava hızına ulaşılacak devir sayısı ayarlanır (Şekil 3.10). Şekil Rüzgar Tüneli Devrinin Ayarlanması

35 23 Profil üzerinden geçen hava akımları madde de yerleşimleri verilen portlarda hava basıncı oluşumuna yol açar. Bu basınç değerleri Şekil 3.11 de gösterilen çıkışlar vasıtasıyla açık uçlu barometrelere aktarılır. Şekil Profilin Basınç Tüpü Çıkışları Barometrelerde okunan değerler her bir port için ayrı ayrı okunur ve kaydedilir. Bu değerlerden statik hava basıncı değeri çıkartılarak bulunan değer, o port için yapılacak hesaplamalarda kullanılır (Şekil 3.12).

36 24 Şekil Basınç Değerinin Tüplerden okunması Kanat profili yukarıdaki şartlarda çevresinden hava akımı geçerken -16, -12, -8, -4, 0, 4, 8, 12 ve 16 derecelik hücum açılarına getirilir. Her bir açı değerinde yukarıda belirtilen portlardan ölçülen su basıncı değeri göstergelerden ölçülerek kaydedilir. Pamb = 930 (mbar), Tamb = 21 (C), V= 31 (m/s) şartlarında gerçekleştirilen ölçüm sonuçları Çizelge 3.2 de verilmektedir.

37 25 Çizelge 3.2. Rüzgar tüneli ölçüm sonuçları Hücum Açısı Portlar İ Pi(mmH 2O) Pstatic(mmH 2O) Ptotal (mmh 2O) Sonuçları Pascal a çevirmek için her bir prop ta ölçülen basınç değeri statik basınç değerinden çıkartarak 9,81 ile çarpılır. P 1 -P s = 5-(-7) = 12 mmh 2O 12 x 9,81 =117,72 Pa.. P 20 -P s = -18-(-7) = 11 mmh 2O 9 x 9,81 =107,91 Pa

38 26 Diğer portlar ve açılar için değerler Çizelge 3.3 te gösterilmektedir. Çizelge 3.3. Rüzgar tüneli ölçüm sonuçları (Pa) Hücum Açısı Portlar Pi-Ps (Pa) 1 117,72 88,29 107,91 147,15 392,4 461,07 431,64 264,87 186, ,96 88,29 98,1 19, ,4-333,5-39,24-127, ,72 49,05 58,86 19,62-117,7-196,2-264,9-480,7-107,9 4 88,29 29,43 58,86 19,62-78,48-137,3-255,1-117,7-107,9 5 58,86 19,62 39,24 19,62-58,86-98,1-107,9-78,48-88, ,24 19,62 39,24 19,62-39,24-78,48-98,1-39,24-88, ,24 19,62 49,05 39,24-19,62-58,86-58,86 19,62-88, ,43 9,81 58,86 49,05 0-9,81-39, , ,62 9,81 58,86 49,05 19,62 9, ,24-78, ,81-9,81 58,86 98,1 78,48 58,86 58,86 49,05-88, , ,1 78,48 39,24 39,24 39,24 88,29-78, ,29-78,48-19,62 39,24 39,24 78,48 98,1 107, ,48-68,67-39,24 19,62 29,43 58,86 78,48 117, ,9-98,1-98,1-19,62 9,81 58,86 78,48 117,72 19, ,9-98,1-127,5-39,24-9,81 39,24 78,48 127,53 39, ,9-107,9-147,2-39,24-19,62 39,24 78,48 127,53 58, ,9-107,9-196,2-78,48-29,43 19,62 78,48 137,34 78, ,9-107,9-235,4-117,7-49,05 19,62 78,48 147,15 78, ,9-107,9-255,1-117,7-39,24 39,24 117,72 176,58 107, ,9-107,9-313,9-117,7-39,24 98,1 137,34 215,82 156,96

39 Test Sonuçları Kullanılarak Gerekli Hesaplamaların Yapılması Kanada etki eden toplam dikey kuvvetin F y hesaplanması: Şekil Portlardaki güç bileşenleri Formül: 20 F y = (P i -P 0 ). cos δ i. x i i=1 Hücum açısı -16 için; F y1 = 117,72. cos (90.0,0179). 0 / 1000= 0 N F y2 = 156,96. cos (12,2.0,0179). 37 / 1000 = 5,7 N... F y19 = -107,9. cos (3.0,0179). 29 / 1000 = -3,1 N F y20 = -107,9. cos (4,1.0,0179). 28 / 1000 = -3,0 N 11 (F y ) üst = (F y ) i i=1 20 (F y ) alt = (F y ) i i=12 F y = (F y ) alt - (F y ) alt F -16 = -31,3 17 = -48,2 N Bu yolla her açı için F y değerleri bulunur (Çizelge 3.4).

40 28 Çizelge 3.4. Ölçüm noktalarının geometrik verileri ve hesaplanan F y değerleri Hücum Açısı Portlar x δ Fy Fy Fy Fy Fy Fy Fy Fy Fy ,0 0, , ,2 5,7 3,2 3,5 0,7-5,7-8,5-12,1-1,4-4,6 25 9,1 2,9 1,2 1,5 0,5-2,9-4,8-6,5-11,9-2,7 31 1,8 2,7 0,9 1,8 0,6-2,4-4,3-7,9-3,6-3,3 31 3,7 1,8 0,6 1,2 0,6-1,8-3,0-3,3-2,4-2,7 28 4,1 1,1 0,5 1,1 0,5-1,1-2,2-2,7-1,1-2,5 28 4,1 1,1 0,5 1,4 1,1-0,5-1,6-1,6 0,5-2,5 27 3,2 0,8 0,3 1,6 1,3 0,0-0,3-1,1 0,0-2,4 28 8,1 0,5 0,3 1,6 1,4 0,5 0,3 0,0 1,1-2,2 29 9,8-0,3-0,3 1,7 2,8 2,2 1,7 1,7 1,4-2,5 62 8,3 0,6 0,0 6,0 4,8 2,4 2,4 2,4 5,4-4,8 63 6,3-5,5-4,9-1,2 2,5 2,5 4,9 6,1 6,8 0,0 29 7,9-2,3-2,0-1,1 0,6 0,8 1,7 2,3 3,4 0,0 33 5,2-3,5-3,2-3,2-0,6 0,3 1,9 2,6 3,9 0,6 28 6,1-3,0-2,7-3,6-1,1-0,3 1,1 2,2 3,6 1, ,9-2,9-4,0-1,1-0,5 1,1 2,1 3,4 1, ,1-3,1-5,7-2,3-0,9 0,6 2,3 4,0 2, ,1-3,1-6,8-3,4-1,4 0,6 2,3 4,3 2,3 28 4,1-3,0-3,0-7,1-3,3-1,1 1,1 3,3 4,9 3,0 44 2,6-4,7-4,7-13,8-5,2-1,7 4,3 6,0 9,5 6,9 Füst 17,0 7,3 21,4 14,4-9,3-20,4-31,2-12,0-30,2 Falt -31,3-29,8-46,5-13,9-2,3 17,2 29,2 43,7 17,8 Fy -48,2-37,0-68,0-28,3 7,0 37,6 60,3 55,7 48,0 F üst (Kanat üst yüzeyinde yer alan portlar için hesaplanan kuvvetlerin toplamı) F alt (Kanat üst yüzeyinde yer alan portlar için hesaplanan kuvvetlerin toplamı)

41 29 Kanada etki eden toplam yatay kuvvetin F x hesaplanması: Formül: 20 F x = (P i -P 0 ). sin δ i. y i i=1 Hücum açısı -16 için; F x1 = 117,72. sin (90.0,017). 35 / 1000 = 4,12 N F x2 = 156,96. sin (12,2.0,017). 8 / 1000 = 0,27 N F x3 = 117,72. sin (9,1.0,017). 4 / 1000 = 0,07 N F x19 = -107,9. sin (3.0,017). 2 / 1000 = -0,02 N F x20 = -107,9. sin (4,1.0,017). 2 /1000 = -0,01 N 20 (Fx) = (F x ) i i=1 F -16 = 4,29 N Bu yolla her açı için Fx değerleri bulunur (Çizelge 3.5).

42 30 Çizelge 3.5. Ölçüm noktalarının geometrik verileri ve hesaplanan F x değerleri Hücum Açısı Portlar y δ Fx Fx Fx Fx Fx Fx Fx Fx Fx ,12 3,09 3,78 5,15 13,73 16,14 15,11 9,27 6, ,2 0,27 0,15 0,17 0,03-0,27-0,40-0,56-0,07-0,22 4 9,1 0,07 0,03 0,04 0,01-0,07-0,12-0,17-0,30-0,07 1 1,8 0,00 0,00 0,00 0,00 0,00 0,00-0,01 0,00 0,00 2 3,7 0,01 0,00 0,01 0,00-0,01-0,01-0,01-0,01-0,01 2 4,1 0,01 0,00 0,01 0,00-0,01-0,01-0,01-0,01-0,01 2 4,1 0,01 0,00 0,01 0,01 0,00-0,01-0,01 0,00-0,01 1,5 3,2 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00-0,01 4 8,1 0,01 0,01 0,03 0,03 0,01 0,01 0,00 0,02-0,04 5 9,8-0,01-0,01 0,05 0,08 0,07 0,05 0,05 0,04-0,08 9 8,3 0,01 0,00 0,13 0,10 0,05 0,05 0,05 0,11-0,10 7 6,3-0,07-0,06-0,02 0,03 0,03 0,06 0,08 0,08 0,00 4 7,9-0,04-0,04-0,02 0,01 0,02 0,03 0,04 0,06 0,00 3 5,2-0,03-0,03-0,03-0,01 0,00 0,02 0,02 0,03 0,01 3 6,1-0,03-0,03-0,04-0,01 0,00 0,01 0,03 0,04 0, ,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0, ,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 0,00 1,5 3-0,01-0,01-0,02-0,01 0,00 0,00 0,01 0,01 0,01 2 4,1-0,02-0,02-0,04-0,02-0,01 0,01 0,02 0,03 0,02 2 2,6-0,01-0,01-0,03-0,01 0,00 0,01 0,01 0,02 0,01 Fx 4,29 3,09 4,03 5,41 13,54 15,82 14,63 9,34 6,02 Kanada etki eden toplam taşıma kuvvetinin (L) hesaplanması: Formül: L = F y. cos α F x. sin α Hücum açısı -16 için; L -16 = -48,2. cos (-16.0,017) 4,29. sin (-16.0,017) L = -45,20

43 31 Bu yolla her bir açı değeri için taşıma (L) değerleri bulunur (Çizelge 3.6). Çizelge 3.6. Hesaplanan taşıma değerleri Hücum Açısı L -45,20-35,59-66,73-27,83 7,01 36,43 57,72 52,51 44, DesignFOIL(R5.32) Programı ile Taşıma Değerinin Hesaplanması Madde de anlatılan rüzgar tüneli testi çalışmaları, NACA profili için; Pamb = 2116,2 (lb/ft2) = 1013 (mbar) Tamb = 59 F = 15 C ortam şartlarında, bir kanat tasarım programı olan DesignFOIL (R5.32) ile; Hücum açıları = 2, 4, 6, 8, 10, 12, 14, 16, 18 ve 20 Hava Hızı = 60 ile 160 ft/sec (18,3 ile 48,8 m/s) arasında 5 ft/sec aralıklarla hesaplanmıştır. Hücum açısı ve hava hızı Yapay Sinir Ağları uygulamasında Girdi olarak kullanılacaktır. Hücum açılarının pozitif hücum açılarından seçilmesinin nedeni, Yapay Sinir Ağları uygulamalarında negatif sonuçlar üzerinde çalışılamamasıdır. Yukarıdaki şartlar altında her bir açı ve bu açı için her bir hava hızı değişkenleri için aşağıdaki işlem uygulanmıştır; NACA profili arşiv profilleri içerisinden seçilir (Şekil 3.14). Seçilen profil ve değerleri dikkate alınarak rüzgar tüneli çalıştırılır (Şekil 3.15).

44 32 Hava akımı şartlarından istenilen hava hızı seçilir (Şekil 3.16). Lift/Stall penceresinden Lift Loading (Taşıma Yüklemesi) değeri okunarak kaydedilir. (Şekil 3.17). Bu değer sonsuz uzunlukta bir kanat için birim alan üzerine uygulanan taşıma değerini verir ve kanat boyutlarından bağımsızdır. Bu değer, Yapay Sinir Ağları uygulamasında Çıktı olarak kullanılacaktır. Şekil NACA profilinin seçimi

45 33 Şekil Rüzgar tünelinin çalıştırılması Şekil Hava hızının seçilmesi

46 34 Şekil Taşıma yüklemesi değerinin okunması Deney Verilerinin Listelenmesi DesignFOIL (R5.32) programı İngiliz birimleri ile çalışılan bir program olduğu için girdi ve çıktı değerleri metrik sistemdeki karşılıklarına çevrilmiştir. Sonuçlar Ek-1 de verilmektedir. Rüzgar Tüneli Testi ile DesignFOIL (R5.32) programında elde edilen 4, 8, 12 ve 16 derecelerdeki taşıma değerleri arasındaki sapmalar, DesignFOIL (R5.32) programının varsaydığı deney koşullarının Eskişehir rakımında ve rüzgar tünelinin labaratuvar ortamındaki koşullardan farklı olması nedeniyle oluşmuştur. Rüzgar tüneli deneyi, Eskişehir ili rakımında ve Pamb = 930 (mbar), Tamb = 21 ( C) ortam şartlarında gerçekleştirilirken, DesignFOIL (R5.32) programı için minimum seçilebilen ortam şartları Pamb = 1013 (mbar), Tamb = 15 ( C) dir.

47 Yapay Sinir Ağları Yönetimi ile Modellemenin Yapılması Yapay Sinir Ağları uygulamasında; elde edilen verilerin 0 ile 1 arasında olacak şekilde orantılanması gerekmektedir. Bu nedenle testte kullanılan / elde edilen tüm veriler, bu veriler içerisindeki en yüksek değer olan ve metrik tabloda 14 derecelik Hücum Açısı ve 48,8 m/s lik hız girdilerinden elde edilen 174,8 Kg/m 2 lik Taşıma değeri dikkate alınarak 175 bölme katsayısına tabi tutulmuştur. Sonuçlar Ek-2 de gösterilmiştir. Her bir açı değerinin 8 ve 17 inci girdi ve çıktıları (Ek-1 ve Ek-2 de koyu arka plan ile işaretlenmiştir) dışında kalan değerler (Toplam 190 adet) seçilen Yapay Sinir Ağları modelinde öğretici amaçlı olarak kullanılacaktır. Her bir açı değerinin 8 ve 17 inci girdi ve çıktıları (Toplam 20 adet) seçilen Yapay Sinir Ağları modelinin çalıştırılması ile elde edilecek sonuçların doğrulanmasında referans olarak kullanılacaktır İlgili yapay sinir ağı modelinin belirlenmesi Yukarıda elde edilen verilerin Matlab6.5 programının Neural Networks aracında gerekli veri dosyaları oluşturularak çalışılacaktır. Ağ modeli olarak; İleri beslemeli 3 katmanlı bir YSA seçilmiştir. Bu ağın özelliği sürekli bir fonksiyonu istenilen doğrulukta yaklaştırabilir olmasıdır. Oluşturulan modellin teknik detayları aşağıda verilmiştir; Katman Sayısı : 3 Katmanlardaki Sinir Sayıları : Ağ Tipi : İleri Beslemeli Yapay Sinir Ağları Eğitim Fonksiyonu : TRAINLM Performans Fonksiyonu : MSE İletim Fonksiyonu : TANSIG Adaptasyon Öğrenme Fonksiyonu : LEARNGDM

48 Rüzgar Tüneli Testi ile Elde Edilen Verilerin Seçilen Yapay Sinir Ağları Metodunda Uygulanması Rüzgar tüneli testi sonuçlarında elde edilen ve Ek-3 te Sayı-1 ve Sayı-2 olarak adlandırılan kanat hücum açı ve hava hızı değerleri Öğretici Girdiler olarak adlandırılmıştır. Yine Ek-3 te Sayı Sonuç olarak adlandırılan taşıma yüklemesi değerleri Öğretici Çıktılar olarak adlandırılmıştır (Şekil 3.19). Çalışmada kullanılacak yapay sinir ağı, Madde de belirtilen özelliklerde Network1 olarak oluşturulmuştur (Şekil 3.18). Şekil Oluşturulan Yapay Sinir Ağı Görüntüsü

49 37 Şekil 3.19 Öğretici Girdi ve Çıktıların MATLAB a aktarıması Ek-3 deki veriler kullanılarak Öğretici Girdiler ve Öğretici Çıktılar ın düzenlenmesinin ardından Madde de belirtilen özelliklerde oluşturulan Yapay Sinir Ağı, bu veriler kullanılarak eğitilir (Şekil 3.20). Öğrenme sürecinin grafiksel gösterimi Şekil 3.21 de yer almaktadır..

50 38 Şekil YSA nın öğretici girdi ve çıktılarla eğitimi Şekil Öğrenme sürecinin grafiksel gösterimi

51 39 Daha sonra doğrulama amaçlı olarak her açı için seçilen 8 ve 17 nci kanat hücum açıları ve hava hızı değerleri (Çizelge 3.7), eğitilen yapay sinir ağına girdi olarak sunulur ve ağın, bu girdileri öğrendiği algılama metoduna göre uyarlaması komutu verilir (Şekil 3.21). Çizelge 3.7. Doğrulama Girdileri Test-1 (AoA) Test-2 (V) 1 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,

52 40 Şekil Doğrulama girdilerinin uyarlanması Sonuç olarak, her bir değere karşılık gelen taşıma yüklemesi sonuçları elde edilir. Elde edilen bulgular Madde 4 te listelenmiştir.

53 41 4. BULGULAR 4.1. Yapay Sinir Ağı Uygulaması ile Elde Edilen Ham Verilerin Rüzgar Testi Sonuçları ile Karşılaştırılması Elde edilen ham verilerin rüzgar testi sonuçları ile karşılaştırılması Çizelge 4.1 de, sonuçların sapma durumları Şekil 4.1 de gösterilmektedir. Çizelge 4.1. Rüzgar testi ve YSA ham sonuçlarının karşılaştırılması Test-1 (AoA) Test-2 (V) Test Sonuç (Lift) YSA Sonuç (Lift) 1 0, , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , ,64799